En el campo de la clasificación de imágenes multi e hiperespectrales, durante la última década se ha introducido y popularizado el uso de esquemas de clasificación basados en deep learning, gracias a las excelentes precisiones que consiguen alcanzar por su capacidad de modelar la naturaleza no lineal que conforma las imágenes hiperespectrales. Concretamente, las redes neuronales convolucionales han resultado ser el modelo de deep learning más popular en la actualidad para resolver estos problemas de clasificación multiclase. No obstante, las mayores precisiones que los esquemas de deep learning consiguen alcanzar implican pagar costes computacionales mucho mayores que las técnicas de aprendizaje automático que se empleaban anteriormente. Esto limita en gran medida la aplicación de modelos de deep learning complejos para la clasificación hiperespectral, y prácticamente el uso de cualquier modelo de deep learning, sea más sencillo o más complejo, para escenarios que requieran procesamiento en tiempo real. Para tratar de reducir el impacto computacional de estos nuevos esquemas, es posible emplear técnicas de segmentación en superpíxeles sobre las imágenes a tratar. Gracias a ellas, se puede reducir la cantidad de elementos a procesar a la hora de clasificar una imagen, sin incurrir en una pérdida de la información contenida en la misma, dado que los superpíxeles agrupan conjuntos de píxeles semejantes para reducir la redundancia de la información a procesar. Esto posibilita realizar una sola predicción de categoría por cada superpíxel, y asignársela a todos sus píxeles, en lugar de realizar una predicción por cada píxel de la imagen. Mediante este trabajo, se analiza el impacto de incorporar una etapa de segmentación con Simple Linear Iterative Clustering antes de la clasificación hiperespectral con los esquemas de deep learning más relevantes en la literatura de este campo. Las observaciones experimentales recogidas permiten comprobar cómo es posible acelerar la clasificación de una imagen con estos esquemas de forma muy significativa –en el orden de cientos de veces en los experimentos llevados a cabo–, sin incurrir en ningún tipo de degradación de las precisiones de clasificación. Como los esquemas seleccionados y analizados representan las ideas que se encuentran detrás de los esquemas basados en deep learning más populares en la actualidad para la clasificación hiperespectral, las anteriores implicaciones son extrapolables a un gran número de clasificadores propuestos en la literatura por otros autores. Esto posibilita acelerar muchos esquemas publicados actualmente, de cara a poder utilizarlos en aplicaciones de prácticamente tiempo real, y proponer esquemas más complejos basados en deep learning que ya pudieran resultar excesivamente costosos de tratar a nivel de píxel.